Sohu 2019 内容识别大赛

基于seq2seq的端到端核心实体识别和情感预测（初赛rank11-sys1874）

环境要求

• python>=3.6
• pytorch>=0.4.1
• tqdm
• elmo(可选)

模型设计

示例：

文章：装机容易忽视的组件，主机电源不能随便选对于大部分入门玩家来说，在电源的选择上往往都比较随意。

1. 按照核心实体在原文的位置，构造解码序列。如上述例子，解码序列为： （1）组件、 （2）电源
2. 利用seq2seq 的attention机制去标注实体。训练时，使得原文中目标实体对应的attention score最大；预测时，attention score最大的单词为目标实体。
3. 利用seq2seq 的输出层预测实体对应的情感。
4. 利用beam search，使得预测出的 核心实体序列 总体得分最大化。

实验结果(初榜测试集)：

Usage

Step 1: 执行preprocess.ipynb进行数据预处理

处理完的结果如下

./data/model.train
./data/model.test.raw
./data/entity.txt

Step 2: 训练 Model

训练baseline

python network.py --data_dir ./data/  --data_prefix model  --save_dir ./models/baseline    --gpu 0     --max_vocab_size 50000   --min_freq  5 --entity_file ./data/entity.txt   \
--lr 0.0003  --hidden_size 1024  --num_layers 2   --attn mlp  --log_steps 100  --valid_steps 300  --batch_size 64   --pretrain_epoch -1     --lr_decay 0.5

训练baseline+elmo

python network.py --data_dir ./data/  --data_prefix model  --save_dir ./models/baseline_elmo    --gpu 0     --max_vocab_size 50000   --min_freq  5 --entity_file ./data/entity.txt   \
--lr 0.0003  --hidden_size 1024  --num_layers 2   --attn mlp   --log_steps 100    --valid_steps 1300 --batch_size 15    --pretrain_epoch -1     --lr_decay 0.5  --elmo

还有一些其他的参数，如更换RNN类型 --rnn_type, 使用词性标注 --POS ，大家可以阅读network.py，自行尝试。

Step 3: 测试 Model

python network.py --data_dir ./data/  --data_prefix model  --save_dir ./models/baseline    --gpu 0     --max_vocab_size 50000   --min_freq  5 --entity_file ./data/entity.txt   \
--lr 0.0003  --hidden_size 1024  --num_layers 2   --attn mlp  --log_steps 100  --valid_steps 300  --batch_size 64   --pretrain_epoch -1     --lr_decay 0.5 \ 
--ckpt  ./emo_models/layer_2_64_embed_19/best.model   --test     --beam_size 5  --gen_file   ./result/new_result_emo12.txt   --for_test

ensemble.ipynb baseline model 平均融合
ensemble_elmo.ipynb elmo model 平均融合

acknowledge

该项目代码是在 百度2019-知识驱动的多轮对话的baseline上进行改进的。
同时，我们在百度2019-知识驱动的多轮对话中取得自动评测Top1，人工评测Top2的成绩，相关代码将在后续进行开源。